---
title: "Envenenamento de recomendações"
description: "Envenenamento de recomendações tenta enviesar escolhas por conteúdo manipulado. Comparações e rankings de terceiros exigem critérios, fontes e interesses claros."
canonical: "https://tropk.ai/recursos/glossario/envenenamento-de-recomendacoes"
last_modified: "2026-10-12T16:09:34.509Z"
---

# Envenenamento de recomendações

Revisado em 2026-10-07.

## O que significa

Envenenamento de recomendações é a manipulação deliberada de conteúdo ou entradas para enviesar as opções que um sistema apresenta ao usuário. No contexto de [busca com IA](/recursos/glossario/busca-com-ia), pode envolver listas e comparações de terceiros que favorecem uma marca sem base correspondente. O termo descreve uma finalidade adversarial, não prova que toda recomendação diferente da esperada resulte de manipulação.

## Por que importa para marketing

Para marketing, acompanhar comparações ajuda a separar critérios transparentes, publicidade identificada e afirmações enganosas. Uma lista pode mudar sua avaliação sem alterar o produto, ou circular em cópias que parecem fontes independentes. A equipe precisa verificar a evidência por trás da escolha e interesses do material, sem assumir que a presença num ranking garante preferência de qualquer modelo.

## Exemplo na prática

Imagine uma associação que encontra uma lista de equipamentos recomendando um modelo por certificação inexistente. A mesma justificativa aparece em várias cópias, e uma [resposta de IA](/recursos/glossario/resposta-de-ia) a utiliza na comparação. A equipe confere o registro da certificação, documenta a afirmação falsa e solicita correção fundamentada. Não conta as cópias como confirmações independentes nem declara comprovada a identidade de um atacante.

## Como aplicar ou verificar

Guarde versões da comparação, critérios, autores e relações comerciais declaradas. Confronte atributos decisivos com fontes verificáveis e identifique cópias do mesmo material. Quando houver resposta de IA, confira o trecho e a referência efetivamente usados. Solicite correções documentadas e acompanhe novas amostras, mantendo hipótese, evidência e resultado separados; não responda à suspeita criando recomendações ou avaliações falsas.

## Distinções importantes

Patrocínio identificado e opinião fundamentada não são automaticamente envenenamento. Dado incorreto, preferência editorial e instrução maliciosa exigem avaliações distintas. Estudos de corrupção de contexto demonstram respostas comerciais enviesadas em condições específicas, sem uma eficácia universal para listas públicas. O risco justifica conferir fontes e critérios, mas não transforma discordância ou concorrência em prova de ataque.

## Fontes e referências

- [PoisonedRAG: Knowledge Corruption Attacks to Retrieval-Augmented Generation of Large Language Models](<https://arxiv.org/html/2402.07867v3>) — Wei Zou, Runpeng Geng, Binghui Wang e Jinyuan Jia
- [LLM01:2025 Prompt Injection](<https://genai.owasp.org/llmrisk/llm01-prompt-injection/>) — OWASP GenAI Security Project

## Continue a leitura

- [Envenenamento de recuperação](</recursos/glossario/envenenamento-de-recuperacao>)
- [Prompt injection indireta](</recursos/glossario/prompt-injection-indireta>)
- [Página de comparação](</recursos/glossario/pagina-de-comparacao>)

## Sobre o autor

[Luiz Gardelin](</team/luiz-gardelin>)

Luiz Gardelin é fundador da Tropk.ai e atua em GEO/AEO, visão de produto, estratégia e crescimento, ajudando marcas a entender e melhorar sua presença nas respostas de IA.

---

[Todas as páginas em Markdown](<https://tropk.ai/sitemap.md>)